五项研究，人工智能助力地球科学与宇宙探索

新的深度学习方法在开普勒的总数中增加了 301 颗行星神经网络实时分析引力波科学家揭示了氢模型机器学习的局限性人工智能学会预测太阳通量机器学习算法帮助科学家探索火星新的深度学习方法在开普勒的总数中增加了 301 颗行星科学家们最近在系外行星总数中增加了多达 301 颗新验证的系外行星。行星群是最新加入 4,569 颗已验证的行星，它们围绕着众多遥远的恒星运行。这要归功于一个由 NASA 艾姆斯研究中心的研究人员开发的名为 ExoMiner 的新深度神经网络。ExoMiner 是一种新的深度神经网络，它利用 NASA 的超级计算机 Pleiades，可以将真实的系外行星与不同类型的冒名顶替者或「误报」区分开来。它的设计灵感来自人类专家用来确认新系外行星的各种测试和特性。神经网络实时分析引力波马克斯·普朗克智能系统研究所的研究人员，展示了通过深度学习进行快速引力波参数估计的前所未有的准确性。使用神经网络作为贝叶斯后验分布的替代物，研究人员分析了第一个 LIGO-Virgo 引力波瞬态目录中的八个引力波事件，发现与标准推理代码非常接近的定量一致性，但每个事件的推理时间从 O（天）减少到 20 秒。该网络使用模拟数据进行训练，包括对事件附近检测器噪声特性的估计。这会在数百万个神经网络参数中对信号和噪声模型进行编码，并能够对与训练分布一致的任何观察到的数据进行推断，从而解释事件之间的噪声非平稳性。该团队的算法——称为「DINGO」——为快速准确推断探测到的引力波事件的物理参数树立了新标准，它应该能够在不牺牲准确性的情况下进行实时数据分析。该研究以「Real-Time Gravitational Wave Science with Neural Posterior Estimation」为题，于 2021 年 12 月 8 日发布在《PHYSICAL REVIEW LETTERS》。有人模仿我们的网站请记住我们的唯一地址（）为您提供以上文章内容。郑重声明：IT行业资讯网站刊登/转载此文出于传递更多信息之目的 ，并不意味着赞同其观点或论证其描述。本站不负责其真实性。